Fugu-MT 論文翻訳(概要): The Decision Geometry of Covariance Estimation for the Global Minimum-Variance Portfolio under Heavy Tails

論文の概要: The Decision Geometry of Covariance Estimation for the Global Minimum-Variance Portfolio under Heavy Tails

arxiv url: http://arxiv.org/abs/2606.27462v1
Date: Thu, 25 Jun 2026 18:35:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-29 18:24:25.2905
Title: The Decision Geometry of Covariance Estimation for the Global Minimum-Variance Portfolio under Heavy Tails
Title（参考訳）: 重機による大域的最小分散ポートフォリオの共分散推定の高精度化
Abstract要約: 我々は、正確な後悔のアイデンティティと、決定の後悔を示す非漸近的境界が、推定誤差に依存することを証明した。結果は、それらが欠落している正確な推定幾何と一貫性理論を供給することによって、最近の意思決定中心の学習アプローチを補完する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The global minimum-variance portfolio (GMVP) is the canonical decision built from an estimated covariance matrix, yet covariance estimators are universally evaluated by matrix-norm loss, which is not the object the decision depends on. We characterise exactly how covariance-estimation error maps into GMVP suboptimality. We prove an exact regret identity and a non-asymptotic bound showing decision regret depends on the estimation error only through its action on the portfolio weights, scaled by portfolio concentration and the conditioning of the true covariance. From this we derive the decision geometry: GMVP regret is invariant to a (p-1)-dimensional projection of the p^2-dimensional error matrix, with invariance to the covariance-scale direction as an exact special case. We then apply the framework to heavy-tailed returns (tail index kappa in (2,4)), establishing the regret convergence rate implied by the centred operator-norm rate, and confirm the theory on a skew-t/t-copula simulation design with pre-registered analysis. The decision-focused advantage is a sharper constant and a concentration discount rather than a faster rate; we report an honest high-conditioning boundary of the rate prediction. The results complement recent decision-focused learning approaches by supplying the exact estimation geometry and consistency theory they lack.
Abstract（参考訳）: 大域的最小分散ポートフォリオ(GMVP)は、推定された共分散行列から構築された正準決定であるが、共分散推定器は行列ノルム損失によって普遍的に評価される。我々は、共分散推定誤差がGMVPの準最適性にどのようにマッピングされるかを正確に特徴づける。我々は、ポートフォリオの重みに対する作用のみを通じて、ポートフォリオの濃度と真の共分散の条件によってスケールされた推定誤差によって、正確な後悔のアイデンティティと、決定の後悔を示す非漸近的境界が証明される。 GMVP の後悔は、p^2-次元誤差行列の(p-1)-次元射影に不変であり、共分散スケールの方向への不変性は、正確に特別な場合である。次に、重み付きリターン(2,4)に適用し、中心作用素ノルム率による後悔収束率を確立し、予め登録された解析によるスキュー・t/t-コピュラシミュレーション設計に関する理論を検証した。決定に焦点を絞った優位性は、より高速な速度ではなく、よりシャープな定数と集中割引であり、我々は率予測の正直な高条件境界を報告している。結果は、それらが欠落している正確な推定幾何と一貫性理論を供給することによって、最近の意思決定中心の学習アプローチを補完する。

関連論文リスト

Optimal Allocation of Embedding Dimensions under Finite-Sample Constraints [0.0]
本稿では,次元選択を制約付き割当問題として定式化する。埋め込み能力は, 明示的な近似-推定トレードオフに従って, 異種カテゴリー予測器間で分配可能であることを示す。
論文参考訳（メタデータ） (2026-08-25T14:18:11Z)
Revisiting Zeroth-Order Hessian Approximation: A Single-Step Policy Optimization Lens [18.253856190297405]
ZoVH は、フル・ヘッセン行列、正則化逆数、バイアス補正された逆ヘッセン勾配積に対する分散還元された推定器のスイートである。実世界のアプリケーションにおいて,ZoVHはより優れた推定精度と収束性能が得られることを示す。
論文参考訳（メタデータ） (2026-05-29T07:55:57Z)
Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
論文参考訳（メタデータ） (2026-05-21T08:57:38Z)
Don't Forget Its Variance! The Minimum Path Variance Principle for Accurate and Stable Score-Based Density Ratio Estimation [15.094412534684116]
抽出可能なトレーニング対象は,時間スコアの経路分散という,決定的かつ見過ごされた用語によって,理想的,根本的目標と異なることを示す。我々は,経路分散を最小化するための基本性能を導入するMinPV(textbfMinimum textbfPath textbfVariance)原理を提案する。
論文参考訳（メタデータ） (2026-01-31T17:57:53Z)
On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
論文参考訳（メタデータ） (2025-10-22T18:25:43Z)
From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。 LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
論文参考訳（メタデータ） (2025-10-06T17:58:01Z)
Estimating Covariance for Global Minimum Variance Portfolio: A Decision-Focused Learning Approach [27.791742749950203]
決定中心学習(DFL)は、予測誤差ではなく、決定品質を直接最適化する手法である。 DFLに基づく手法は、常に優れた意思決定性能を提供することを示す。
論文参考訳（メタデータ） (2025-08-14T16:00:52Z)
A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。頑健な推定器は効率的に計算可能で一貫したものであることを示す。合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文参考訳（メタデータ） (2024-05-30T15:01:18Z)
Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文参考訳（メタデータ） (2023-12-07T15:55:58Z)
TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文参考訳（メタデータ） (2023-10-29T09:54:03Z)
On the Variance, Admissibility, and Stability of Empirical Risk Minimization [57.63331017830154]
経験的リスク最小化(ERM: Empirical Risk Minimization)は、平均2乗誤差で最小限の最適値が得られる。比較的軽度な仮定の下では、ERMの準最適性はその大きなバイアスによるものでなければならない。
論文参考訳（メタデータ） (2023-05-29T15:25:48Z)
Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文参考訳（メタデータ） (2021-10-24T10:23:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。